Implementation of source apportionment using Positive Matrix Factorization - Application of the Palookaville exercise | RIVM

De negatieve gevolgen van fijn stof op de volksgezondheid, zoals een toename van luchtwegziekten en vroegtijdige sterfte, zijn onderkend. Om sneller passende beleidsmaatregelen tegen de uitstoot van fijn stof te kunnen bepalen en toe te passen, is het belangrijk te achterhalen welke bronnen aan die uitstoot bijdragen en wat de bijdrage van die bronnen is aan gezondheidseffecten. Uitstoot van verschillende bronnen, varierend per locatie en tijd, draagt bij aan de concentratie fijn stof. Deze werkwijze is effectiever dan uit te zoeken welke chemische onderdelen of fysische eigenschappen van fijn stof verantwoordelijk zijn voor deze negatieve effecten. Het RIVM heeft een methode uitgewerkt waarmee de relatieve bijdrage van bronnen in kaart kan worden gebracht. Het ministerie van VROM kan deze inzichten gebruiken in zijn strategie om de uitstoot van fijn stof te verminderen. Er bestaan complexe rekenkundig modellen die op basis van metingen de relatieve bijdrage van deze bronnen kunnen achterhalen. Een voorbeeld van zo'n model is 'Positive Matrix Factorization'. Om de benodigde expertise op te bouwen heeft het RIVM dit model toegepast op beschikbare referentiegegevens, bekend als de Palookaville-data, opgebouwd uit gesimuleerde metingen. Tijdens de analyse zijn de inconsistenties die opzettelijk in deze dataset zijn aangebracht, aan het licht gekomen. Hierdoor heeft het RIVM aangetoond voldoende inzicht te hebben in de brontoewijzingsmodelering om het gebruikte rekenmodel toe te passen.